Linhas de comando
Confira os comandos a partir da linha 22 do tutorial
## Essa linha é um comentário. A linha abaixo é um comando. Deixe o cursor (aquela barrinha vertical que fica piscando) na linha do comando que deseja executar e aperte CTRL+ENTER. Tente fazer isso com o comando da linha abaixo.
2+2
## [1] 4
Linhas de comando
##Repita o comando com a equação abaixo
3+4
## [1] 7
Linhas de comando
##Repita o comando com a função abaixo
sqrt(4)
## [1] 2
Linhas de comando
##Repita o comando com a função abaixo
sqrt(81)
## [1] 9
Linhas de comando
##Para executar mais de uma linha de código, selecione tudo com o botão direito do mouse e aperte CTRL+ENTER
567+876
## [1] 1443
## [1] 1836
## [1] -70
## [1] 11
vetores e funções
Geralmente não usamos o R para fazer contas simples, mas para realizar cálculos sobre vetores.
Imagine que juntamos os valores pagos de aluguel por 13 estudantes que acabaram de mudar para Natal para estudar na UFRN, e com esses valores criamos o vetor “aluguel”
Nós criamos um vetor assim:
aluguel = c(345.2, 932, 784, 1042.3, 2102.9, 917.9, 890, 732, 832, 974.4, 668.4, 1022, 1210)
ou assim:
aluguel <- c(345.2, 932, 784, 1042.3, 2102.9, 917.9, 890, 732, 832, 974.4, 668.4, 1022, 1210)
Vetores e funções
Soma de todos os valores / N
## [1] 12453.1
## [1] 13
Vetores e funções
Soma de todos os valores / N
sum(aluguel)/length(aluguel)
## [1] 957.9308
Posso dar nomes para os valores criados a partir de funções
soma = sum(aluguel)
n = length(aluguel)
soma/n
## [1] 957.9308
Vetores e funções
Uma das vantagens do R é que ele faz essas contas sem precisarmos saber a fórmula!
A função para calcular a média de um vetor é mean(nome do vetor)
## [1] 957.9308
Sua vez de treinar
Crie um vetor com as idades dos alunos da turma e
- identifique a média de idade da turma
- descubra quantos anos a turma tem se somarmos todas as idades
Vetores
No geral, nós não inserimos os vetores manualmente para análise, mas os importamos de uma tabela.
Vamos aprender a fazer isso no R.
Começando uma seção para exploração de dados
Pacotes
É bom pensarmos que pacotes vamos usar para as análises.
Instalando e carregando os pacotes
Precisamos primeiro instalar os pacotes que vamos usar com a função install.packages()
install.packages("readxl") #permite carregar arquivos .xls
install.packages("ggplot2") #permite gerar gráficos a partir de um conjunto de dados
Perceba que o nome do pacote é inserido entre aspas duplas.
Importando conjunto de dados
Vamos carregar os pacotes que iremos usar nesse curso com a função library()
library(readxl)
library(ggplot2)
Importando conjunto de dados
Definindo área de trabalho
session (ou seção) >> set working directory >> choose directory
Importando conjunto de dados
Definindo área de trabalho
Podemos informar a área de trabalho manualmente (eu prefiro assim)
#exemplo 1
setwd("~/Documents/Mahayana/academics/cursos/introstatistics/datasets/")
#exemplo 2
setwd("C:/Users/Mahayana/academics/cursos/introstatistics/datasets")
Criando o conjunto de dados no seu script
Dizer ao R que conjunto daquela pasta ele deve ler e que nome ele receberá
Para isso, usamos a função read_excel
nome.do.conjunto = read_excel(“Nome_do_arquivo.xlsx”)
Criando o conjunto de dados no seu script
Hoje vamos importar o conjunto “scores.xlsx”, com o exemplo usado em Hinton (2004, Cap 2).
Esse conjunto de dados reúne as notas dos alunos de 0 a 100 para uma disciplina de graduação.
dados.scores = read_excel("scores.xlsx")
ATENÇÃO
Você também pode importar arquivos em .txt. Nesse caso, use a função read.table e adicione à sintaxe a expressão header = TRUE para informar que a primeira linha do arquivo é o nome (header) da coluna
dados.scores = read.table("scores.txt,", header = TRUE)
Explorando o conjunto de dados
Clique no conjunto recém-criado na área ENVIRONMENT
Explorando o conjunto de dados
Você pode agora ver o conjunto de dados que importamos
Explorando o conjunto de dados
A função str() te retorna informações sobre esse conjunto de dados, dizendo o nome das variáveis.
## Classes 'tbl_df', 'tbl' and 'data.frame': 100 obs. of 1 variable:
## $ scores: num 22 55 54 51 90 38 67 46 55 37 ...
Conhecendo o conjunto de dados
Quando você for usar uma função qualquer (e.g. f()) para ler um vetor qualquer (e.g.,v) dentro de um conjunto de dados qualquer (e.g. dataset), sua sintaxe será f(dataset$v)
Vamos ordenar o conjunto de dados dados.score e ver quantas observações ele tem para ver como isso funciona:
length(dados.scores$scores)
## [1] 100
sort(dados.scores$scores)
## [1] 0 9 15 22 26 30 32 32 33 34 37 37 38 41 43 44 45 45 45 46 46 47 47
## [24] 48 48 49 49 49 50 50 50 50 50 51 51 51 52 52 52 52 52 53 53 54 54 54
## [47] 54 55 55 55 55 55 55 56 56 56 56 56 56 56 57 57 57 57 57 58 58 58 58
## [70] 58 59 59 59 59 59 60 60 60 60 60 61 61 61 62 62 62 62 63 63 64 64 65
## [93] 67 68 69 71 75 78 80 90
Conhecendo a distribuição do conjunto de dados
Para conhecer a distribuição dos nossos dados, “plotamos” a frequência dos dados em um tipo de gráfico chamado histograma (cf. Hinton, p.19)
No R, usamos um pacote chamado ggplot2 e a função ggplot() para fazer vários tipos de gráfico, inclusive histogramas.
A sintaxe do ggplot2 é:
ggplot(nome_do_conjunto_de_dados, aes(x = valor_que_vai_no_eixo_x, y = valor_que_vai_no_eixo_y))
Dica para se lembrar da sintaxe: aes vem de aesthetics. Ou seja, essa função define a estética, a cara do gráfico a partir dos vetores do conjunto de dados que estamos analisando.
Conhecendo a distribuição do conjunto de dados
Vamos tentar fazer o histograma dos dados dos scores para fazer algo semelhante ao gráfico da página 19 de Hinton
ggplot(dados.scores, aes(x = scores, y = ))
Conhecendo a distribuição do conjunto de dados
Precisamos informar que tipo de gráfico queremos!
ggplot(dados.scores, aes(x = scores, y = ))+
geom_histogram()
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Conhecendo a distribuição do conjunto de dados
Vamos entender o que ele quis dizer com esse bin = 30
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## [1] 0 9 15 22 26 30 32 32 33 34 37 37 38 41 43 44 45 45 45 46 46 47 47
## [24] 48 48 49 49 49 50 50 50 50 50 51 51 51 52 52 52 52 52 53 53 54 54 54
## [47] 54 55 55 55 55 55 55 56 56 56 56 56 56 56 57 57 57 57 57 58 58 58 58
## [70] 58 59 59 59 59 59 60 60 60 60 60 61 61 61 62 62 62 62 63 63 64 64 65
## [93] 67 68 69 71 75 78 80 90
Conhecendo a distribuição do conjunto de dados
Queremos espalhar os dados para que cada quadradinho no gráfico represente um valor. Queremos dizer que os valores (breaks) do histograma devem ir de 0 a 100 (seq(0,100)) e que as observações devem ser dadas em um intervalo de 1 ponto (seq(by=1))
ggplot(dados.scores, aes(x = scores, y = ))+
geom_histogram(breaks=seq(0, 100, by = 1))
Conhecendo a distribuição do conjunto de dados
ggplot(dados.scores, aes(x = scores, y = ))+
geom_histogram(breaks=seq(0, 100, by = 1))
Conhecendo a distribuição do conjunto de dados
Vamos dar uma boa olhada nesse gráfico e ver o que ele nos diz. Onde as notas estão concentradas? Quais as medidas mais afastadas do centro?
Vamos ver os valores em ordem crescente para conferir o histograma
sort(dados.scores$scores)
## [1] 0 9 15 22 26 30 32 32 33 34 37 37 38 41 43 44 45 45 45 46 46 47 47
## [24] 48 48 49 49 49 50 50 50 50 50 51 51 51 52 52 52 52 52 53 53 54 54 54
## [47] 54 55 55 55 55 55 55 56 56 56 56 56 56 56 57 57 57 57 57 58 58 58 58
## [70] 58 59 59 59 59 59 60 60 60 60 60 61 61 61 62 62 62 62 63 63 64 64 65
## [93] 67 68 69 71 75 78 80 90
Medidas de tendência central
Medidas de tendência central
Considere que você é um agente de viagens que deve escolher o melhor destino turístico para três grupos de cerca de 50 pessoas. Você primeiro se pergunta quantos anos eles têm. Um simples comando no R pode te dar essa resposta se você tem a idade dos membros do grupo.
Medidas de tendência central
## [1] 31.4717
## [1] 32.58491
## [1] 33.71698
Medidas de tendência central
Considerando a idade média do grupo, que lugares você sugeriria para passar um feriadão?
Já pensou? Ótimo, vamos ver a distribuição da idade dessas pessoas.
Grupo 1
Grupo 2
Grupo 3
Medidas de tendência central
Vamos dar uma olhada nas medianas de cada grupo
## [1] 31
## [1] 36
## [1] 35
Moral da história
Não adianta apenas saber a média ou mediana do conjunto de dados se não souber como se organiza a distribuição dos valores!
Quiz - escolha a(s) alternativa(s) correta(s)
É possível afirmar que
- o valor no qual vemos o pico de um histograma vai ser a moda do conjunto de dados
- o valor da mediana e da média é sempre o mesmo
- moda e mediana são medidas influenciadas por valores extremos da amostra
- a média é sempre a melhor medida para representar um conjunto de dados
Respostas
Importe o conjunto de dados
dados.scores = read_excel("scorestotal.xlsx")
Respostas
Calcule as medidas de tendência central para os dois anos
mean(dados.scores$presente)
## [1] 52.62
mean(dados.scores$passado)
## [1] 54.25
median(dados.scores$presente)
## [1] 55
median(dados.scores$passado)
## [1] 56.5
Histograma de notas do ano presente
ggplot(dados.scores, aes(x=presente, y=))+
geom_histogram(breaks=seq(0, 100, by = 1))+
labs(x="Nota na prova (ano presente)", y="Número de alunos")
Histograma de notas do ano passado
ggplot(dados.scores, aes(x=passado, y=))+
geom_histogram(breaks=seq(0, 100, by = 1))+
labs(x="Nota na prova (ano passado)", y="Número de alunos")
Dicas para aprender a fazer gráficos
Brinque com os os códigos que você já tem mudando alguns valores e adicionando mais funções. A função labs do ggplot é usada para nomear o eixo x e eixo y como você quiser.
ggplot(dados.scores, aes(x=presente, y=))+
geom_histogram(breaks=seq(0, 100, by = 1))+
labs(x="Nota na prova (ano presente)", y="Número de alunos")
Dicas para aprender a fazer gráficos
Dica: se vc instalar e carregar o pacote scales, você pode usar a função pretty_breaks para escolher os intervalos a serem mostrados no gráfico. Aqui, eu pedi para ele me mostrar 10 intervalos (pretty_breaks(n=10)) na sequência que determinei de 0 a 100.
Dicas para aprender a fazer gráficos
ggplot(dados.scores, aes(x=presente, y=))+
geom_histogram(breaks=seq(0, 100, by = 1))+
labs(x="Nota na prova (ano presente)", y="Número de alunos")+
scale_x_continuous(breaks=pretty_breaks(n=10))
